本研究提出GLFC框架，通过增强UNet的Mamba进行特征学习，利用多对比损失函数提升合成CT质量，实验结果表明SSIM指标显著提高，旨在改善CBCT图像质量以支持临床应用。

本研究提出了一种多模态学习方法，结合术前CT与术中CBCT，有效解决术中图像伪影导致的分割精度问题。实验结果表明，该方法在18种设置中显著提升了分割性能，具有潜在应用价值。

本文综述了锥束计算机断层摄影（CBCT）图像中的伪影问题，分析了伪影类型及其降低技术，并探讨了深度学习在3D和4D CBCT中的应用，呼吁使用更多样化的训练数据集。

本研究解决了移动CBCT系统中由于视野限制而导致的重要解剖结构缺失的问题。作者提出了一种任务特定的数据准备方法，使得深度学习网络能够集中关注有兴趣的特定结构，如肋骨。实验结果表明，该方法能够可靠地重建肋骨，具有增强CBCT临床应用的潜力。

牙位表示在治疗中非常重要。预训练SAM和3D-U-SAM解决了样本稀缺问题，并提高了细节保留能力。消融实验和对比实验证明了该方法的有效性。

通过CT和MRI多模态图像的信息特征，提出了一种空间对齐算法和弱监督多模态注册网络，实现了多深度多模态图像的自动对齐。该方法通过金字塔特征和代价体积估计光流，并在多种评估指标上证明了其优越性，验证了其在多模态图像注册中的有效性。

本研究开发了一种仿真算法，生成与真实图像接近的厚层CT图像。使用PSNR和RMSE指标评估，结果显示该方法在PSNR和RMSE方面均有显著提高。进一步验证了该算法，并用于训练超分辨率模型，提高了性能。

通过利用显式多尺度体素表示来实现三维空间中的区域间学习，并引入比例 - 视图交叉注意模块以自适应地聚合多尺度和多视图特征，我们提出了 C^2RV 方法，通过广泛实验证明其在具有多样化解剖结构的数据集上相比先前的领先方法实现了一致并显著的改进。

该文章介绍了医学图像分割领域中基于状态空间模型的方法在长程交互建模方面的优势，并提出了一种新的方法Vision Mamba-UNetV2，该方法在医学图像分割任务中表现出竞争力。

计算机断层扫描（CT）通过一组投影图像计算物体内部结构图像。近年来，深度学习在CT造影图像去伪影方面表现出良好结果。提出了一种多阶段深度学习伪影去除方法，实验证明其有效且优于基于深度学习的后处理方法。

肺癌和COVID-19是世界上患病率和死亡率最高的疾病之一。研究者提出了一种新的多任务框架，用于从少量医学数据中提取重要特征。他们研究了分类、分割、重建和检测任务，并探讨了不同骨干网络和损失函数在分割任务中的应用。

本研究提出了一种基于深度学习的方法，利用两个卷积神经网络：SpatialConfiguration-Net (SCN) 和修改版的 U-Net，精确地预测了CBCT图像中所有牙齿的坐标，实现了对牙齿体积的精确裁剪，并通过分割方法检测出病变，解决了CBCT图像中的类别不平衡问题。方法在144个CBCT图像上评估，实现了97.3%的牙齿定位准确率，具有0.97的敏感性和0.88的特异性，适用于病变检测。

本文介绍了一种高效的金属伪影还原Transformer（MARformer），通过引入新的降维自注意力模块（DRSA）和基于块的感知前馈网络（P2FFN），实现了对CBCT图像中金属伪影的修复。实验结果表明，MARformer在合成和真实金属伪影的CBCT图像上表现出色，优于以往的MAR方法和两种修复Transformer。

该文介绍了一种基于3D卷积神经网络的新型框架，用于自动检测低剂量CT扫描中的肺结节。实验结果表明该方法在公共大规模数据集上具有卓越的性能。

该研究提出了适用于医学数据的MA-SAM框架，通过注入一系列的3D适配器，使预训练的2D主干从输入数据中提取第三维信息。该方法在医学图像分割任务上表现优于各种最先进的三维方法，在CT多器官分割、MRI前列腺分割和外科手术场景分割的Dice指标上分别超过nnU-Net 0.9%、2.6%和9.9%。

本文提出了一种选择性重新训练的框架，通过将混合监督问题转化为半监督问题，避免了稀疏标签带来的负面影响。在ToothFairy验证案例中，该方法获得了冠军，并达到了0.7956的Dice相似系数和4.4905的95%哈斯多夫距离。